[發明專利]面向園區低碳運行的動態碳排放懲罰方法及系統

在審

• 申請號: 202210288132.3
• 申請日: 2022-03-23
• 公開（公告）號: CN114611821A
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 張大鵬
• 申請（專利權）人: 特斯聯科技集團有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/02;G06Q50/06;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 北京春江專利商標代理事務所(普通合伙) 11835
• 代理人: 曹潔

1.一種面向園區低碳運行的動態碳排放懲罰方法，其特征在于，包括以下步驟：

根據園區無償碳排放權分配額度、懲罰額度、獎勵額度、園區實際碳排放量、階梯單價梯度系數的日歷史數據，采用神經網絡算法，預測獲得當日的園區動態獎懲階梯碳交易成本；

根據所述當日的園區動態獎懲階梯碳交易成本，建立日消耗成本的優化模型；

以所述日消耗成本最小化為優化目標，對所述優化模型進行優化求解，獲得基于動態碳排放懲罰的最優調度策略。

2.根據權利要求1所述的方法，其特征在于，所述根據園區無償碳排放權分配額度、懲罰額度、獎勵額度、園區實際碳排放量、階梯單價梯度系數的日歷史數據，采用神經網絡算法，預測獲得當日的園區動態獎懲階梯碳交易成本的步驟包括：

采樣園區無償碳排放權分配額度、懲罰額度、獎勵額度、園區實際碳排放量、階梯單價梯度系數的日歷史數據，以及與其相對應的實際的園區動態獎懲階梯碳交易成本；

按照園區無償碳排放權分配額與園區實際碳排放量的差值和階梯單價梯度系數不同倍數之間的關系進行區間劃分，獲得n個分段區間；

根據所述n個分段區間，對采樣得到的園區無償碳排放權分配額度和園區實際碳排放量的日歷史數據進行分類劃分，獲得與所述n個分段區間一一對應的n個樣本數據集；

根據每個樣本數據集，在每個分段區間上分別構建BP神經網絡預測模型并分別進行訓練，獲得訓練好的BP神經網絡預測模型；

獲取當日的園區無償碳排放權分配額度、懲罰額度、獎勵額度、園區實際碳排放量、階梯單價梯度系數，根據園區無償碳排放權分配額與園區實際碳排放量的差值和階梯單價梯度系數不同倍數之間的關系，確定出所屬分段區間和相應的BP神經網絡預測模型；

將所述當日的園區無償碳排放權分配額度、懲罰額度、獎勵額度、園區實際碳排放量、階梯單價梯度系數輸入確定出的BP神經網絡預測模型，獲得模型輸出的預測的當日的園區動態獎懲階梯碳交易成本。

3.根據權利要求2所述的方法，其特征在于，所述根據每個樣本數據集，在每個分段區間上分別構建BP神經網絡預測模型并分別進行訓練，獲得訓練好的BP神經網絡預測模型的步驟包括：

在每個分段區間上分別構建具有依次連接的一個輸入層、一個隱含層和一個輸出層的BP神經網絡預測模型，每一層的輸出作為下一層的輸入；所述輸入層具有5個神經元，用于分別接收園區無償碳排放權分配額度、懲罰額度、獎勵額度、園區實際碳排放量、階梯單價梯度系數的日歷史數據；所述輸出層具有1個神經元，用于輸出預測的園區動態獎懲階梯碳交易成本；

針對每個分段區間，將對應的樣本數據集輸入BP神經網絡預測模型，推演獲得模型輸出的預測的當日的園區動態獎懲階梯碳交易成本，并計算適應度函數值，所述適應度函數值為預測的園區動態獎懲階梯碳交易成本與實際的園區動態獎懲階梯碳交易成本的均方根誤差；

每個BP神經網絡預測模型分別按連接權值的負梯度方向搜索調整適應度函數值，直至適應度函數值達到預設閾值或迭代次數達到預設值為止，獲得訓練好的BP神經網絡預測模型。

4.根據權利要求1-3任一項所述的方法，其特征在于，所述日消耗成本的優化模型基于當日各時段園區發電成本、發電損耗成本和預測的當日的園區動態獎懲階梯碳交易成本建立。

5.根據權利要求1-4任一項所述的方法，其特征在于，所述以所述日消耗成本最小化為優化目標，對所述優化模型進行優化求解，獲得基于動態碳排放懲罰的最優調度策略的步驟包括：

以所述日消耗成本最小化為優化目標，采用遺傳算法對所述優化模型進行優化求解，獲得基于動態碳排放懲罰的最優調度策略。